L'IA tocca ormai la maggior parte del lavoro sui dati di prodotto. Legge i datasheet dei fornitori, compila gli attributi, scrive e traduce descrizioni, e mappa i prodotti alle categorie dei canali. La qualità dell'output dipende meno dal modello che dal modello di dati di prodotto che lo circonda. Questo articolo copre come funziona l'IA nella gestione dei dati di prodotto nelle operazioni quotidiane, dove fallisce, cosa gli agenti AI per lo shopping ora richiedono dai dati di prodotto, e quali decisioni rimangono nelle mani delle persone.
Punti chiave
- I modelli linguistici estraggono bene gli attributi di prodotto quando il prompt contiene definizioni di attributi con valori consentiti, più esempi revisionati di prodotti simili. Senza quel contesto, la precisione crolla drasticamente.
- La conversione di unità è il passaggio più debole. Lascia che il modello trovi il valore e l'unità, e fai la conversione nel codice.
- Le superfici di shopping AI leggono feed strutturati con regole rigide. Un "n/a" generato o un numero di parte inventato le interrompe.
- Ogni scrittura AI dovrebbe approdare in uno stato di bozza con un record del modello, la versione del prompt, i dati di input e un timestamp.
- Le persone controllano il modello di attributo, gli esempi di riferimento, la revisione delle affermazioni con valore legale, e la decisione di cambiare modelli.
Dove l'IA si inserisce nello stack di gestione dei dati di prodotto
Un modello linguistico sa come appare solitamente il testo di un prodotto. Il tuo prodotto specifico esiste per esso solo attraverso i dati che gli passi. La maggior parte dei fallimenti dell'IA nel lavoro di catalogo inizia lì.
Il record del prodotto vive in un sistema di record. Per i dati descrittivi, questo è un sistema PIM o una piattaforma di master data. Contiene il modello di attributo: nomi, definizioni, tipi di dati, unità, elenchi di valori consentiti, attributi richiesti per categoria e canale, e lo storico delle modifiche di ogni valore. Prezzi e giacenze di solito vengono dall'ERP. Immagini e documenti si trovano in un DAM.
L'IA funziona come processore sopra questi record. Legge valori e documenti di origine, propone nuovi valori e li riscrive. Il sistema di record decide dove l'output approdà e chi lo verifica prima che raggiunga un canale. I team che lasciano che un modello scriva direttamente in un negozio o un feed perdono la capacità di tracciare o annullare ciò che ha scritto. Di solito lo scoprono durante la prima controversia con il fornitore.
I compiti che l'IA gestisce oggi
Estrazione di attributi dai dati dei fornitori
Produttori e distributori ricevono i dati di prodotto come PDF datasheet, cataloghi scansionati, fogli di calcolo con colonne di testo libero e pagine web dei fornitori. Per anni, qualcuno ha ridigitato peso, dimensioni, materiale, voltaggio e tipo di connettore in campi strutturati. Un LLM può leggere l'origine e restituire i valori come JSON che corrisponde al tuo schema di attributi. È qui che l'IA rimuove la maggior parte del lavoro manuale.
La prova pubblica più utile sulla precisione viene da un benchmark dell'Università di Mannheim su estrazione e normalizzazione di attributi. I ricercatori hanno creato un set di test di 565 offerte di prodotto da 59 siti web, con 4.687 valori di attributo verificati manualmente, e hanno testato GPT-3.5 e GPT-4 con diversi disegni di prompt. Con solo lo schema di attributi nel prompt, GPT-4 ha raggiunto un punteggio F1 (una misura che combina precisione e richiamo) del 74%. Dieci valori di esempio per attributo l'hanno portato a circa l'80%. L'aggiunta di dieci dimostrazioni, cioè prodotti simili con risposte corrette, l'ha portato al 91%. Questo ha superato gli estrattori basati su BERT fine-tuned di circa 10 punti.
I modelli in questo studio sono ormai vecchi e i nuovi ottengono risultati diversi. Lo schema è quello che trasferisce. La precisione è venuta dal contesto che un catalogo ben gestito già possiede: definizioni di attributi con valori di esempio e record approvati di prodotti simili.
Nello stesso benchmark, il 45% degli slot di attributo non aveva alcun valore nel titolo o nella descrizione del prodotto. Un modello che riempie ogni campo sta indovinando su quasi la metà di essi. Quindi il prompt deve consentire una risposta esplicitamente vuota, e la pipeline deve accettare vuoto come risultato valido.
Il contesto ha anche un costo. Il miglior prompt di estrazione GPT-4 era circa cinque volte più lungo della versione zero-shot, e i costi del token crescono con esso.
I team di solito selezionano le dimostrazioni per somiglianza. Il sistema incorpora il testo del prodotto in arrivo, recupera i 3-10 prodotti più vicini che hanno già superato la revisione, e li inserisce come esempi. Ogni prodotto revisionato migliora i prompt per i prossimi.
Normalizzazione e conversione di unità
L'estrazione trova "20-lb." in un testo del fornitore. La normalizzazione lo trasforma nel valore in chilogrammi e nel formato numerico che il tuo attributo si aspetta. Nei test di Mannheim, GPT-4 ha gestito l'espansione di nomi, come "HP" a "Hewlett-Packard", al 98% F1, e la pulizia di numeri di parte e stringhe simili al 95%.
La conversione di unità era il punto debole. Quando il modello doveva estrarre e convertire in un unico passaggio, GPT-4 ha ottenuto il 62% senza esempi e l'83,5% con esempi e dimostrazioni. Quando ha solo convertito valori che un passaggio separato aveva già estratto, ha raggiunto il 98%. Gli autori nominano funzioni di conversione che il modello può chiamare come indicazione per la ricerca futura.
Quindi dividi l'estrazione dalla conversione. Il modello restituisce il numero e l'unità come si trovano nell'origine. Il codice la converte. Una funzione di conversione dà la stessa risposta ogni volta, che è più di quanto chiunque possa promettere per un modello linguistico che fa aritmetica.
Classificazione e mappatura della tassonomia
Ogni canale vuole la sua categoria. Un produttore può mantenere classi ETIM o ECLASS per i partner B2B, mattoni GS1 GPC per i rivenditori, la tassonomia di prodotto Google per i feed di shopping, e un albero di categoria separato per ogni marketplace. Mappare manualmente migliaia di SKU è lento, e gli errori di mappatura nascondono i prodotti dai filtri.
Lo schema comune combina il recupero con un LLM. Il sistema incorpora i dati del prodotto e le descrizioni di classe, crea una shortlist di classi candidate e chiede al modello di sceglierne una. L'autovalutazione della confidenza dei LLM è scarsamente calibrata, quindi i setup maturi usano controlli di accordo. La scelta del modello deve corrispondere a uno dei principali candidati recuperati, o due prompt diversamente formulati devono concordare. I prodotti che passano vanno in coda di revisione. Il resto va in revisione.
Dove impostare la soglia è una decisione commerciale. In ETIM, la classe definisce quali caratteristiche un prodotto deve portare, quindi una classe sbagliata produce un set di caratteristiche sbagliato. Una categoria di marketplace sbagliata di solito costa visibilità.
Descrizioni generate e campi SEO
Questo è l'uso più visibile e quello con la maggior esposizione legale. I modelli scrivono descrizioni lunghe, punti elenco, titoli brevi di feed, e meta descrizioni per canale e lingua.
Una regola previene la maggior parte dei problemi: generare solo da attributi approvati. Il prompt riceve i valori strutturati di questa variante specifica, la guida di brand voice, la banca terminologica, e i limiti di lunghezza del canale. Non riceve copy marketing a livello di famiglia o testo di competitor. Dopo la generazione, un controllo confronta il testo con gli attributi. Se il testo dice "impermeabile" e il prodotto non ha nessun rating IP, il controllo fallisce.
I nostri clienti si rivolgono a noi con una versione dello stesso problema. Le loro prime descrizioni AI leggevano bene e affermavano cose che i prodotti non avevano. Un caso comune è una variante di rivestimento descritta come "quercia massiccia" perché il prompt includeva testo di famiglia scritto per la variante premium. La correzione ha due parti. I prompt ricevono solo valori di attributi a livello di variante. Un controllo successivo confronta materiale, certificazione e termini di sicurezza nel testo generato con i valori di attributo, quindi indirizza le mancate corrispondenze a una persona.
Traduzione e localizzazione
La traduzione LLM gestisce bene il copy di prodotto nelle coppie di lingue comuni, e molti team ora la usano come predefinita.
Ha bisogno di una banca terminologica: traduzioni approvate di nomi di prodotto, termini tecnici, unità e valori di attributi, inseriti nel prompt e controllati dopo la generazione. In un PIM, traduci una volta gli elenchi di valori a livello di attributo. "Acciaio inossidabile" quindi viene tradotto una sola volta per lingua invece che in 5.000 descrizioni, e rimane coerente ovunque.
Il testo regolamentato ha bisogno di una regola separata. Gli avvisi di sicurezza e le etichette legalmente obbligatorie hanno bisogno di un revisore umano qualificato per mercato. Un avviso mal tradotto è un problema di sicurezza del prodotto.
Immagini e asset digitali
I modelli di visione ora leggono le foto di prodotto abbastanza affidabilmente per il lavoro ordinario. I team li usano per scrivere testo alt, taggare colore e motivo, controllare che l'immagine mostri la variante giusta, e segnalare le immagini che rompono le regole del canale, come sovrapposizioni di testo o sfondi non bianchi. La scarpa rossa su quello SKU nero è un classico, e i controlli di visione lo catturano in massa.
Le immagini lifestyle generate sono una decisione separata. Mostrano un prodotto reale in una scena che non è mai esistita. Mantienile etichettate come generate nel DAM, e controlla le regole di divulgazione dell'UE coperte di seguito prima di pubblicarle.
Controlli di qualità dei dati
I revisori si stancano. I controlli no. I controlli utili includono valori anomali all'interno di una categoria, come una tazza da 350 ml con un peso di 350 kg, descrizioni che contraddicono i valori degli attributi, quasi duplicati creati da diversi fornitori, e attributi mancanti che un canale richiede. Le regole e le statistiche semplici catturano la maggior parte degli outlier a buon mercato. Gli LLM aggiungono valore sulle contraddizioni tra testo e attributi, che le regole non possono leggere.
Come funziona un flusso di lavoro AI governato
La maggior parte dei problemi di qualità dell'IA nei cataloghi si rivelano essere problemi di processo. I flussi di lavoro che si mantengono in produzione condividono questi passaggi:
- Trigger. Un prodotto nuovo, un aggiornamento del fornitore o un attributo modificato avvia il job. Le regole decidono quali campi rigenerare, quindi un peso corretto non rigenera il copy di marketing in 30 lingue.
- Assemblaggio del contesto. Il sistema raccoglie i valori di attributo della variante, le definizioni di attributi, gli elenchi di valori, i limiti del canale, le voci della banca terminologica, e i prodotti approvati simili.
- Prompt versionato. Il modello di prompt ha un numero di versione e un changelog, come il codice.
- Output strutturato. Il modello restituisce JSON rispetto a uno schema. Il testo libero va solo in campi di testo.
- Validazione deterministica. Il codice controlla tipi di dati, elenchi di valori, unità, cifre di controllo GTIN, limiti di lunghezza, e affermazioni vietate.
- Bozza con provenienza. L'output approdà in uno stato di bozza o "AI proposto". Il record memorizza il modello e la sua versione, la versione del prompt, uno snapshot di input, e un timestamp.
- Revisione basata sui rischi. Campi di sicurezza, conformità e affermazioni vanno a un revisore nominato. I campi a basso rischio vengono campionati.
- Pubblica e impara. I valori approvati fluiscono nei canali. Le ragioni di rifiuto si riportano nei prompt e negli esempi.
La provenienza sembra un sovraccarico finché non arriva il primo incidente. Un provider aggiorna un modello e i tuoi titoli cambiano tono da un giorno all'altro. Un'autorità di sorveglianza del mercato chiede da dove viene un'affermazione. Con la provenienza, ognuno di questi diventa una query. Senza di essa, qualcuno scava attraverso export e thread di email.
AtroCore gestisce questo attraverso il suo modulo AI Integration, che collega modelli linguistici come ChatGPT e Gemini ai record di prodotto, con prompt che i team adattano alla loro brand voice e al loro caso d'uso. La generazione funziona in massa o attraverso regole di flusso di lavoro quando i dati del prodotto cambiano, e gli utenti revisionano e modificano il contenuto generato prima che venga salvato e pubblicato. Cambiare il motore è una scelta da menu a discesa, quindi un team può eseguire lo stesso prompt su due modelli prima di impegnarsi in uno.
Feed per agenti AI per lo shopping
Gli assistenti AI di OpenAI e Google ora mostrano i prodotti dentro le conversazioni e, in alcuni mercati, lasciano che gli acquirenti comprino senza visitare il negozio. Leggono feed strutturati e dati di pagina strutturati. Per questi canali, il feed è la vetrina.
La specifica di feed di prodotto di OpenAI per ChatGPT mostra cosa significa questo in pratica. La scoperta ha bisogno di nove campi: ID articolo, titolo, descrizione, URL del prodotto, marchio, nome del venditore, URL immagine, disponibilità e prezzo. La descrizione deve essere fattuale e in testo semplice. La specifica chiede titoli fino a circa 150 caratteri e descrizioni fino a 5.000. Diverse delle sue regole collidono con l'arricchimento AI sciatto:
- La specifica dice di omettere valori sconosciuti e di non usare stringhe di segnaposto come "null", "unknown" o "n/a". I prompt di Mannheim, come molti prompt di produzione, restituiscono "n/a" per valori mancanti, quindi mappali a vuoto prima dell'esportazione.
- I GTIN hanno bisogno di una cifra di controllo valida e degli zeri iniziali. Un foglio di calcolo che ha memorizzato il GTIN come numero l'ha già rotto.
- Le dimensioni devono descrivere il prodotto stesso. Le dimensioni della confezione appartengono altrove, e le unità non sono mai dedotte. I dati dei fornitori mescolano costantemente entrambi.
- Un ID articolo non deve mai essere riutilizzato per un articolo diverso, e gli ID offerta non devono contenere il prezzo.
"Non inventare un valore per sostituire un GTIN mancante." La nota di OpenAI sul campo del numero di parte sembra scritta con l'arricchimento LLM in mente.
Un LLM incaricato di completare identificatori mancanti produrrà numeri di parte plausibili. I campi identificativi dovrebbero essere esclusi dalla generazione completamente.
La specifica si aspetta anche prezzo corrente e disponibilità, aggiornati quando cambiano. I team di dati di prodotto raramente possiedono questi valori. Lo fa l'ERP. Quindi un feed pronto per l'agente unisce dati descrittivi dal PIM con dati commerciali dall'ERP, su un ciclo di aggiornamento che corrisponde a quanto velocemente le giacenze si muovono.
I campi opzionali portano più peso presso gli agenti che presso i classici annunci di shopping. Le finestre di reso, i costi di spedizione, i materiali e le dimensioni del prodotto lasciano che un assistente risponda a "entrerà" e "posso restituirlo" senza mandare l'acquirente alla tua pagina. Quando questi valori mancano, l'assistente indovina o passa a un prodotto i cui dati rispondono alla domanda.
Ogni piattaforma ha il suo schema, e gli schemi cambiano. L'installazione pratica è un record master nel PIM e una mappatura di canale per piattaforma. Un nuovo canale AI diventa quindi un compito di mappatura. L'attuale caricamento di file standard di OpenAI attualmente si rivolge al mercato statunitense, quindi i produttori europei possono leggerlo come un'anteprima della barra di qualità dei dati che i canali AI stabiliscono.
Rischi che richiedono attenzione ora
Fatti inventati con il tuo nome
Il contenuto generato è la tua dichiarazione di prodotto. Le regole sulla protezione dei consumatori e la responsabilità del prodotto non chiedono quale strumento l'ha scritto. I campi a rischio più alto sono gli avvisi di sicurezza, le certificazioni, le affermazioni di materiale come "sicuro per alimenti" o "senza BPA", le affermazioni di compatibilità e i valori di prestazione.
L'IA può formulare un fatto. Non dovrebbe mai crearne uno.
Ogni valore in questi campi ha bisogno di una fonte: un documento del fornitore, un rapporto di prova, un certificato, o una persona che lo approvi.
Prompt injection attraverso dati di prodotto
I file dei fornitori e le pagine scritte sono input non attendibili. Un datasheet può contenere testo che un modello legge come un'istruzione, nascosto in caratteri bianchi o in un campo di metadati. Il rischio cresce quando gli agenti AI ottengono accesso in scrittura al catalogo attraverso server MCP o connettori simili.
Inizia gli agenti in sola lettura, con domande come "quali SKU in questa linea mancano una dichiarazione di conformità". Concedi accesso in scrittura per gruppo di campi. Indirizza le scritture dell'agente attraverso lo stesso percorso di bozza e revisione di altro output AI, e registra ogni chiamata.
Cambiamenti di modello che non hai programmato
I provider aggiornano e ritirano modelli secondo la loro timeline. Lo stesso prompt può produrre output diverso dopo un aggiornamento. Blocca le versioni del modello in produzione. Mantieni un set di valutazione fisso di poche centinaia di prodotti revisionati con attributi noti corretti e testi approvati, ed eseguilo prima di qualsiasi passaggio. Confronta i risultati per campo. Un numero di precisione media nasconde l'unico attributo che è peggiorato.
Normativa nell'UE
Gli obblighi di trasparenza nell'Articolo 50 della legge dell'UE sull'IA si applicano dal 2 agosto 2026. L'Omnibus digitale ha posticipato la maggior parte degli obblighi ad alto rischio a dicembre 2027 e oltre, e ha lasciato l'Articolo 50 invariato.
Un assistente di shopping o una chatbot sulla tua vetrina deve rendere chiaro che gli utenti stanno parlando con un'IA, a meno che non sia ovvio. La marcatura leggibile da macchina del contenuto generato è principalmente un obbligo per i provider di sistemi di IA generativa, con un periodo di grazia fino al 2 dicembre 2026 per i sistemi già sul mercato. Le immagini generate realistiche che mostrano un prodotto in una scena inventata possono contare come deepfake, che richiedono divulgazione. Le descrizioni ordinarie di prodotto generalmente rientrano al di fuori della regola di divulgazione per il testo generato dall'IA, che si rivolge al testo pubblicato per informare il pubblico su questioni di interesse pubblico. I casi borderline necessitano di revisione legale.
Il passaporto digitale del prodotto aggiunge una seconda traccia. Il passaporto della batteria diventa obbligatorio il 18 febbraio 2027 per diverse categorie di batterie, incluse le batterie EV e le batterie industriali sopra 2 kWh. Altri gruppi di prodotti seguono attraverso atti delegati. I dati del passaporto sono dati di conformità: composizione materiale, contenuto riciclato, impronta di carbonio e informazioni di due diligence. L'IA può estrarla dalle dichiarazioni dei fornitori e controllare la completezza. Non dovrebbe stimare un valore mancante. Ogni valore ha bisogno di un documento di origine tracciabile, che è la traccia di provenienza descritta sopra.
Esposizione dei dati e costi
I dati di prodotto non rilasciati inviati a un'API esterna lasciano l'azienda. Controlla dove il provider elabora i dati e se usa gli input per l'allenamento. Alcuni produttori indirizzano i prodotti sensibili al lancio a un modello self-hosted per questo motivo.
Il costo si scala con il contesto e il volume. I prompt pochi colpi funzionano diverse volte più a lungo di quelli zero-shot. Un aggiustamento del prompt che attiva la rigenerazione di 50.000 SKU in 20 lingue è un evento di budget. Rigenera solo i campi che una modifica influisce.
Contenuto che suona come quello di tutti gli altri
I competitor usano i pochi modelli con prompt simili. Il loro copy generato converge sulla stessa formulazione, e così fa il tuo. La differenziazione deve venire dai dati solo che tu possiedi: risultati di test, note di applicazione, tabelle di compatibilità e limiti di installazione. Mettili nel modello di attributi così il generatore può usarli.
Cosa le persone possiedono ancora
Nei test di Mannheim, il contesto intorno al modello ha mosso la precisione più di qualsiasi altra cosa. Quel contesto è lavoro umano.
Qualcuno definisce ogni attributo e i suoi valori consentiti. "Dimensione" senza una definizione produce dimensioni in quattro sistemi. Qualcuno cura i prodotti di riferimento che servono come esempi e come set di valutazione. Qualcuno decide quali campi hanno bisogno di revisione e approva le affermazioni con valore legale. Qualcuno risolve i conflitti tra due fornitori che non sono d'accordo sullo stesso pezzo, e gestisce il nuovo tipo di prodotto che non si adatta a nessuna classe esistente. E qualcuno approva un cambio di modello o di prompt dopo aver visto i risultati della valutazione. Ognuno di questi ruoli ha bisogno di un proprietario nominato per gruppo di campi.
I nostri clienti si rivolgono a noi con cataloghi dove la stessa proprietà esiste quattro volte, come "Color", "Colour", "Main color" e "Farbe", ognuno riempito da un diverso importazione del fornitore. Aggiungere l'IA a quel catalogo produce valori sicuri in tutti e quattro i campi, spesso diversi. Il lavoro che paga per primo è consolidare il modello di attributi. L'IA viene dopo.
L'IA scala qualsiasi modello di dati tu le dia. Un modello pulito scala in dati coerenti. Uno disordinato scala in disordine più veloce.
Il lavoro dei gestori di dati di prodotto si sposta di conseguenza. Meno digitazione, più configurazione e revisione: prompt, elenchi di valori, regole di validazione e liste di controllo di revisione. La revisione ha bisogno di struttura anche lei. Un revisore con una checklist per gruppo di campi cattura le affermazioni inventate. Un revisore chiesto se qualcosa sembra a posto l'approva.
Una sequenza di avvio pratica
Inizia con una categoria che ha buoni documenti di origine e un modello di attributi chiaro. Costruisci il set di valutazione prima di scrivere il primo prompt: 200-300 prodotti revisionati con valori verificati. Esegui l'estrazione in campi di bozza solo, e misura la precisione per attributo e il tempo di revisione per prodotto. Dove il modello fallisce, guarda prima la definizione di attributo. Le definizioni vaghe causano molti errori.
Passa alle descrizioni generate una volta che l'estrazione è affidabile, perché il testo generato è accurato solo quanto gli attributi sottostanti. Aggiungi la traduzione dopo, con la banca terminologica in posizione. Mappia i feed del canale per ultimo, incluso i feed per shopping AI, e valida gli identificatori, le unità e i valori vuoti nel codice prima dell'esportazione. Dai agli agenti accesso in lettura per primo. L'accesso in scrittura viene dopo che il percorso di bozza e revisione ha gestito poche migliaia di scritture AI senza sorprese.